@莫煩python
###使用軟體anaconda3
import tensorflow as tf
import numpy as np
#匯入模組以後，構建乙個新增神經網路層的函式 add_layer(),其中需要設定的神經網路層的變數為輸入輸出和激勵函式，同時需要告知函式輸入輸出的大小(size)
def add_layer(inputs,in_size,out_size,activation_function=none):
weights = tf.variable(tf.random_normal([in_size,out_size]))
biases = tf.variable(tf.zeros([1,out_size]) + 0.1)
wx_plus_b = tf.matmul(inputs,weights) + biases
if activation_function is none:
outputs = wx_plus_b
else:
outputs = activation_function(wx_plus_b)
return outputs
#這裡定義了x_data,y_data陣列，'[:,np.newaxis]作用是使x_data變成乙個有1個屬性(attribute)，300個訓練資料的陣列
#noise的作用是使得訓練陣列不為標準的函式，存在一定的噪音。(防止過擬合?)
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise
#placeholder負責儲存陣列的陣列
xs = tf.placeholder(tf.float32,[none,1])
ys = tf.placeholder(tf.float32,[none,1])
#新增兩層神經網路分別為l1,和prediction，所以一共有三層神經網路（輸入，輸出，隱藏）
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) #輸入層，輸入到有10個神經元的隱藏層
prediction = add_layer(l1,10,1,activation_function=none) #輸出層，從隱藏層輸出到輸出層
#誤差最小化
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
reduction_indices=[1]))
train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss)
init = tf.initialize_all_variables()
sess = tf.session()
sess.run(init)
for i in range(1000):
sess.run(train_step,feed_dict=)
if i%50==0:
print(sess.run(loss,feed_dict=))
建造第乙個神經網路
importtensorflowastf defadd layer inputs,in size,out size,activation function none 他有四個引數 輸入值，輸入的大小，輸出的大小，激勵函式 此處設定為none weights tf.variable tf.random...
自己的第乙個神經網路
最近一直在研究神經網路,於是週末空閒之餘通過一篇文章的啟發製作了乙個3層神經網路,用來計算加法 兩個輸入,3個隱含,1個輸出 訓練5000000次後效果還是不錯的,幾乎可以計算所有和小於10的加法了。import numpy as np import random def sigmoid x ret...
搭建第乙個tensorflow神經網路
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt 1.構造新增乙個神經層 def add layer input,in size,out size,activation function none w...